Catalogue de formations > Intelligence Artificielle > Comprendre Machine Learning et Deep learning avec Excel
 

Comprendre Machine Learning et Deep learning avec Excel

Cette formation donne 84 points PPC aux membres qualifiés de l’Institut des Actuaires
Dernière mise à jour le 16 janvier 2025

Programme de la formation

Partie 1 : Introduction au Machine Learning (ML)

1.1 Définitions et concepts clés du ML

  • Comprendre ce qu’est le Machine Learning et ses enjeux.
  • Terminologies importantes : données, algorithmes, apprentissage supervisé/non supervisé, ML/DL, NLP, LLM, vision machine

1.2 Aperçu des applications dans divers secteurs

  • Utilisations pratiques du ML en finance, santé, marketing, assurance, etc.

1.3 Vue d’ensemble des modèles de Machine Learning

  • Classification des modèles : supervisés, non supervisés, semi-supervisés.
  • Identification des cas d’usage pour chaque type de modèle

1.4 Vue d’ensemble des modèles de deep learning

  • Différences fondamentales entre Machine Learning et Deep Learning.
  • Présentation des réseaux de neurones artificiels.
  • Aperçu des architectures avancées : CNN (vision), RNN (données séquentielles), Transformers (traitement du langage naturel).
  • Identification des cas d’usage adaptés au Deep Learning.

Partie 2 : Fondamentaux d’Excel pour le Machine Learning

2.1 Utilisation avancée des fonctions Excel pour la manipulation de données

  • Nettoyage des données (formules, filtres, tableurs dynamiques)
  • Fonctions et règles
  • Calculs matriciels

2.2 Préparation des données en vue de l’analyse

  • Détection et gestion des valeurs manquantes.
  • Normalisation et standardisation des données.

2.3 Principe des implémentations des algorithmes

  • Logique et étapes pour implémenter des algorithmes ML avec Excel.
  • Intégration de macros et d’automatisations pour simplifier les calculs.

Partie 3 : Comprendre et Implémenter les Modèles

Pour chaque algorithme présenté, nous analyserons :

  • Cas d’utilisation : Identifier les situations où l’algorithme est le plus pertinent.
  • Impact du feature scaling : Étudier l’effet de la normalisation ou standardisation des variables.
  • Gestion des données manquantes : Techniques pour traiter les valeurs manquantes efficacement.
  • Gestion des variables continues ou catégoriques : Préparation spécifique pour chaque type de variable.

3.1 Modèles de classification et régression

  • KNN (K plus proches voisins).
  • Naive Bayes.
  • LDA et QDA (Linear et Quadratic Discriminant Analysis).
  • Arbre de décision.
  • Régression linéaire et logistique.

3.2 Techniques avancées d’apprentissage supervisé

  • Bagging et Random Forest.
  • Gradient Boosting.
  • Support Vector Machine (SVM).

3.3 Réseaux de neurones

  • Fonctionnement de base d’un réseau de neurones.
  • Implémentation dans Excel.

Partie 4 : Deep Learning et Implémentation de Modèles Avancés

4.1 Introduction au Deep Learning

  • Différences fondamentales entre Machine Learning et Deep Learning.
  • Présentation des architectures de réseaux de neurones avancés.

4.2 Implémentation de modèles avancés dans Excel

  • CNN (Convolutional Neural Networks) : Concepts, cas d’usage en vision par ordinateur.
  • RNN (Recurrent Neural Networks) : Analyse des séquences temporelles.
  • Transformers : Bases et applications pour le traitement du langage naturel.

4.3 Études de cas pratiques

  • Application des CNN pour la reconnaissance d’images.
  • Utilisation des RNN pour l’analyse de séries temporelles.
  • Implémentation d’un Transformer pour la classification de texte.
Date
8 et 9 avril 2025
Inscription possible jusqu'à la veille de la formation 16h (hors weekend et jour férié)
Horaires

9h00 - 12h30 et 14h00 - 17h30

Prix
  • 2300 € HT
  • TVA 20%
  • 2760 € TTC
Lieu

CARITAT, 24 rue Tronchet 75008 PARIS

Session suivante

En 2026

Durée

2 jours

Programme adaptable,
sur-mesure

Notre formateur

Kezhan SHI

Il est diplômé de l'École Centrale Paris et titulaire d'un master en actuariat de l'Université Paris Dauphine. Il a travaillé chez Axa Global Direct et Allianz, avant de rejoindre Diot Siaci en 2022, au titre de Responsable du Data Lab.

Points clés

À qui s’adresse cette formation ?

A toute personne intéressée par l’apprentissage automatique (Machine Learning) qui souhaite acquérir une compréhension approfondie des concepts fondamentaux tout en mettant en pratique ses connaissances avec l’outil largement utilisé, Excel.

Les participants peuvent provenir de divers horizons, y compris des professionnels travaillant dans des secteurs variés, ou toute personne curieuse et désireuse d’explorer le domaine du Machine Learning sans une connaissance approfondie en programmation.

Pour obtenir quoi ?

À la fin de la formation, les participants auront développé une solide compréhension conceptuelle du Machine Learning, tout en acquérant des compétences pratiques pour appliquer ces concepts à l’aide d’Excel. Il est important de noter que l’objectif n’est pas de former les participants à créer des programmes destinés à traiter des ensembles massifs de données réelles. En utilisant Excel, l’accent est mis sur la compréhension du fonctionnement des algorithmes à travers l’expérimentation avec des données simples. L’objectif est d’offrir une approche accessible permettant d’explorer les principes du Machine Learning sans nécessiter une expertise approfondie en programmation, en se concentrant plutôt sur une compréhension intuitive des mécanismes sous-jacents.

Quels objectifs pédagogiques ?

Comprendre les concepts fondamentaux du Machine Learning.

Apprendre à implémenter des modèles de Machine Learning tels que KNN, Naive Bayes, LDA, QDA, arbres de décision, Bagging, RandomForest, gradient boosting, régression linéaire, régression logistique, SVM, et réseaux de neurones.

Quelles méthodes mobilisées ?

La formation adopte une approche équilibrée entre la théorie et la pratique. Les méthodes pédagogiques comprennent des présentations théoriques pour les concepts fondamentaux, des démonstrations pratiques illustrant l’utilisation des fonctions Excel dans l’implémentation des modèles, ainsi que des visualisations permettant aux participants de saisir de manière intuitive les principes sous-jacents. Ces méthodes variées visent à garantir une compréhension approfondie du Machine Learning tout en offrant des outils concrets et visuels pour renforcer l’apprentissage.

Quels sont les prérequis ?

Aucune connaissance approfondie en programmation n’est requise. Cependant, une familiarité de base avec Excel est recommandée. Les participants devraient avoir un intérêt général pour le domaine du Machine Learning et être prêts à appliquer activement les concepts appris dans des exercices pratiques et des projets.

Quelles modalités d’évaluation ?

Une évaluation des acquis des objectifs sera réalisée durant la formation.

 

Chaque participant se munira d’un ordinateur portable pour les travaux pratiques.

Points forts

  • Approche détaillée et pédagogique : Chaque algorithme est étudié en profondeur, avec des explications claires et des exemples concrets, pour vous permettre de comprendre ses rouages internes.
  • Apprentissage pratique dans Excel : Implémentez directement les algorithmes pour visualiser leur fonctionnement, manipuler les données, et interpréter les résultats en toute transparence.
Inscrivez-vous à notre newsletter

Pour recevoir toutes les dernières informations